采用填充字符的频繁序列模式挖掘算法.pdfVIP

第32卷第2期 成都大学学报(自然科学版) V61．32No．2 of ScienceEdition) Jun．2013 2013年6月 JournalChengduUniversity(Natural 文章编号：1004—5422(2013)02—0134—04 采用填充字符的频繁序列模式挖掘算法 张君雁1p，闵帆3 (1．成都大学信息科学与技术学院，四川成都610106； 2．模式识别与智能信息处理四川省高校重点实验室，四川成都610106； 3．电子科技大学计算机科学与工程学院，四川成都610054) 摘要：具有固定通配符间隔的频繁序列模式挖掘算法应具有删属性，从而保证在实际应用中能挖掘出有 意义的长模式．而原有的问题定义集合存在一定的不足阻碍了该属性的实现．通过引入填充字符改变部分问题定 义，解决原定义引起的一些极端性问题，并在模式挖掘过程中保证了完整性和有效性．将基于新定义集合提出的 F印M算法与基于原定义集合的加旧算法分别在DNA序列上进行实验，结果表明算法实现了A一面属性． 关键词：序列模式挖掘；填充字符；固定间隔；A一面属性 中图分类号：TP301 文献标志码：A 被称为一个序列，其中，L是S的长度． 0 引 言 定义2通配符声是一个能匹配∑中任意字符 频繁模式挖掘在很多领域都有重要的意义，比 的特殊符号[1引．间隔g(N，M)是一个通配符序列， 如，在生物学中，序列的概念可以被理解为DNA序 最小间隔为Ⅳ，最大间隔为肘．形=肘一Ⅳ+l被称 列字母表{A，C，C，r}，代表4种不同的蛋白质，如 为该间隔的灵活度．在模式中，g(N，M)也可表示 人类的DNA序YOAX829174…就是以TTCCTCCGCGA为[Ⅳ，M]． 开头的包含10011个字符的序列． 定义3 序列模式是以字符开始和结束的字符 本研究讨论的主要问题是，从一个序列中挖掘出 和间隔的序列．周期性序列模式有如下形式， 所有频率不小于用户给定的阈值P的模式，但限制每 口。[Ⅳ，M]口：[N，M]…[Ⅳ，M]al(1) 个序列仅搜索一次，这有别于文献[2—4]中的相关方其中，Z是序列模式的长度． 法．而且，模式中还包含周期性的通配符间隔，这里的 定义4给定长度为￡的序列|s，长度为f的位 “周期性”是指任意2个相邻字符之间的通配符间隔 移序列是一个整数序列，C=c，，c：，…，cl使得 是一致的[5】．例如，T[1，2]A[1，2]A就是这样的模式， 对于所有的．『都有1≤q≤L，对于，1≤歹≤Z一1， 而T[1，2]A[2，3]a则不是．这种需求反应了碱基对 Ⅳ≤c，+l—c，一1≤M． 的振荡现象[6】，具有明显的生物学意义．在该领域以 定义5给定序列S和模式P，以及位移序列C， 往的研究中给出的定义集合[2’7]，在解决某些极端问 对于所有的1≤-『≤2，如果s。．=嘶，则称P匹配S． 题上会遇到困难，甚至不能满足序列模式挖掘和关联 定义6 模式P在序列S中出现的频率为， 分析中重要的apr／ori属性【8‘9J． 为此，本研究通过在序列的尾部增加填充字符 八P’s)=爱矧 (2) 来修改所研究问题的系列定义，从而实现位移序列 计算